Публикуван е релиз на системата за оптично разпознаване на текст Tesseract 5.5.0, поддържаща Unicode и разпознаване на текстове на повече от 100 езика, включително руски, казахски, белоруски и украински. Резултатът може да се запазва както в обикновен текст, така и в форматите HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена между 1985 и 1995 г. в лабораторията на компания Hewlett Packard, а през 2005 г. кодът беше отворен под лицензия Apache и по-късно се развива с участието на служители на компания Google. Изходните текстове на проекта се разпространяват под лицензия Apache 2.0.
Tesseract включва командна утилита и библиотека libtesseract за интегриране на функции за разпознаване на текст в други приложения. Сред поддържаните GUI интерфейси на Tesseract се открояват gImageReader, VietOCR и YAGF. Предоставят се два движка за разпознаване: класическият, разпознаващ текст на ниво шаблони на отделни символи, и новият, базиран на система за машинно обучение с рекурентна невронна мрежа LSTM, оптимизирана за разпознаване на цели редове и позволяваща значително увеличение на точността. Достъпни са готови обучени модели за 123 езика. За оптимизиране на производителността се предлагат модули, използващи OpenMP и SIMD инструкции AVX2, AVX, AVX512F, NEON или SSE4.1.
Основни подобрения:
- Добавена е поддръжка за векторни разширения RISC-V V, на базата на които са подготвени асемблерни оптимизации за системи с процесори RISC-V.
- При запис на резултата в формат hOCR е осигурено задаването на параметрите ocrp_dir и ocrp_lang в създадения файл.
- Кодът за определяне на наличните езикови модели е модернизиран.
- Кодът за генериране на файлове в формат hOCR е подобрен и преобразуването на имена на файлове на платформата Windows е премахнато.
- Разрешено е задаването на символни стойности в опциите «—oem» и «—psm».
- В кода са заменени функциите access и _access с метода std::filesystem::exists(). Функциите tprintf са заменени с използването на потока tesserr.
- Премахната е поддръжката на платформата за машинно обучение Tensorflow, която беше реализирана, но така и не беше използвана за изпълнение на AI модели за разпознаване.
- Инсталаторът за платформата Windows е подобрен.
- Субмодулът googletest е актуализиран до версия 1.15.2.
Източник: opennet.ru
